머신러닝을 위한 적응형 비국소 관측량 학습
요약
본 논문은 기존 양자 신경망(QNN)의 국소 측정 한계를 극복하기 위해 적응형 비국소 관측량(ANO)을 활용합니다. 특히, 입력 조건화된 동적 프로그래밍이 가능한 새로운 아키텍처 QFWP-ANO를 제안했습니다. 이 모델은 다변량 시계열 예측 및 강화학습 작업에서 기존의 ANO 기반 모델과 강력한 기준 모델들을 능가하는 성능을 보여주었습니다.
핵심 포인트
- QNN의 국소 측정 한계를 극복하기 위해 적응형 비국소 관측량(ANO) 사용.
- 입력 조건화된 동적 프로그래밍 아키텍처 QFWP-ANO를 제안함.
- 다변량 시계열 예측 및 RL 작업에서 높은 성능을 입증함.
양자 신경망(QNNs)은 일반적으로 변분 양자 회로(VQCs)를 기반으로 구축되지만, 이는 국소 측정에 의해 제한됩니다. 적응형 비국소 관측량(ANO)은 회로 매개변수와 다중 큐비트 측정을 공동 최적화함으로써 이를 해결합니다. 하지만 기존의 ANO 기반 VQC는 모든 입력에서 불변하는 단일 정적 관측량만을 학습합니다. 우리는 각 입력에 조건화하여 VQC 매개변수 및/또는 비국소 관측량을 동적으로 프로그래밍하는 클래식 하이퍼네트워크를 사용하는 새로운 아키텍처인 QFWP-ANO를 제안합니다. 4개의 ETT 데이터셋을 사용한 다변량 시계열 예측에서, QFWP-ANO는 20개 설정 중 16개에서 가장 낮은 MSE(평균 제곱 오차)를 달성했으며 나머지 4개 설정에서는 두 번째로 낮은 수치를 기록하며, ANO 기반 및 다른 강력한 기준 모델들을 능가했습니다. 강화학습(RL) 작업에서도 QFWP-ANO는 일관되게 ANO-VQC를 능가합니다. 우리의 결과는 입력 조건화된 ANO가 QNN을 향상시키는 효과적인 접근 방식임을 입증합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기